应用于数据共享的地灾态势分析方法及系统

摘要

本发明提供的应用于数据共享的地灾态势分析方法及系统，涉及人工智能技术领域。在本发明中，基于从地灾监测数据共享系统获取到的历史地灾监测数据，形成样本地灾状态标志链条，将样本地灾状态标志链条加载到候选地灾态势分析网络中进行网络更新处理，形成更新地灾态势分析网络；基于从地灾监测数据共享系统获取到的当前地灾监测数据，形成当前地灾状态标志链条，将当前地灾状态标志链条加载到更新地灾态势分析网络中；利用更新地灾态势分析网络，分析出当前地灾状态标志链条对应的预估可能性参数分布；基于预估可能性参数分布，确定出目标地灾状态。基于上述的内容，可以在一定程度上提高地灾态势分析的可靠度。

权利要求

1.一种应用于数据共享的地灾态势分析方法，其特征在于，包括：

基于从地灾监测数据共享系统获取到的历史地灾监测数据，形成样本地灾状态标志链条，以及，将所述样本地灾状态标志链条加载到候选地灾态势分析网络中进行网络更新处理，形成对应的更新地灾态势分析网络，所述样本地灾状态标志链条包括具有相关关系且依次排列的地灾状态标志，所述样本地灾状态标志链条中的所述地灾状态标志包括各种地灾事件对应的状态标志和非地灾事件对应的状态标志中的至少两个；

基于从所述地灾监测数据共享系统获取到的当前地灾监测数据，形成当前地灾状态标志链条，以及，将所述当前地灾状态标志链条加载到所述更新地灾态势分析网络中，所述当前地灾监测数据是针对目标监测区域的；

利用所述更新地灾态势分析网络，分析出所述当前地灾状态标志链条对应的预估可能性参数分布，所述预估可能性参数分布中的每一个预估可能性参数用于反映一种地灾状态标志对应的地灾状态发生的可能性；

基于所述预估可能性参数分布，确定出所述当前地灾状态标志链条对应的目标地灾状态，所述目标地灾状态用于反映所述目标监测区域会出现的地灾事件或非地灾事件；

其中，所述基于从地灾监测数据共享系统获取到的历史地灾监测数据，形成样本地灾状态标志链条，以及，将所述样本地灾状态标志链条加载到候选地灾态势分析网络中进行网络更新处理，形成对应的更新地灾态势分析网络的步骤，包括：基于从地灾监测数据共享系统获取到的历史地灾监测数据，形成样本地灾状态标志链条，以及，将所述样本地灾状态标志链条加载到候选地灾态势分析网络中；

利用所述候选地灾态势分析网络，从参考地灾状态语义向量簇中，匹配出所述样本地灾状态标志链条中位于待分析坐标以前的各个地灾状态标志对应的地灾状态语义向量，所述待分析坐标属于所述样本地灾状态标志链条对应的各个地灾状态标志坐标；其中，位于待分析坐标以前的各个地灾状态标志是指排列在待分析坐标以前的各个地灾状态标志；

将位于所述待分析坐标以前的各个地灾状态标志对应的地灾状态语义向量进行向量分析处理，输出所述待分析坐标对应的地灾状态预估向量；

依据所述待分析坐标对应的地灾状态预估向量，分析出在所述待分析坐标上的地灾状态标志对应的预估可能性参数，所述预估可能性参数用于反映在所述待分析坐标上的地灾状态标志对应的地灾状态和所述待分析坐标对应的在前地灾状态链条的预估相关系数，所述在前地灾状态链条包括位于所述待分析坐标以前的各个地灾状态标志对应的地灾状态；

依据所述样本地灾状态标志链条中在各个待分析坐标上的地灾状态标志分别对应的预估可能性参数，分析出对应的地灾状态预估误差；

依据所述地灾状态预估误差，对所述候选地灾态势分析网络的网络参数进行更新优化，并在与预先配置的参考网络训练规则匹配的时候，形成对应的更新地灾态势分析网络；

其中，所述基于从地灾监测数据共享系统获取到的历史地灾监测数据，形成样本地灾状态标志链条，以及，将所述样本地灾状态标志链条加载到候选地灾态势分析网络中进行网络更新处理，形成对应的更新地灾态势分析网络的步骤，还包括：确定出参考地灾状态簇中各个地灾状态对应的原始空间映射向量，所述参考地灾状态簇包括所述样本地灾状态标志链条中各个地灾状态标志对应的地灾状态；

将所述各个地灾状态对应的原始空间映射向量加载到更新向量挖掘模型中，所述更新向量挖掘模型基于相应的网络更新处理形成；

对于各个原始空间映射向量中任意一个的原始空间映射向量，利用所述更新向量挖掘模型，将地灾状态对应的原始空间映射向量进行深度挖掘，输出所述地灾状态对应的地灾状态挖掘向量，以及，将所述地灾状态对应的地灾状态挖掘向量进行降维处理，输出所述地灾状态对应的地灾状态语义向量；

依据所述各个地灾状态分别对应的地灾状态语义向量，组合形成对应的所述参考地灾状态语义向量簇；

其中，所述确定出参考地灾状态簇中各个地灾状态对应的原始空间映射向量的步骤，包括：

确定出参考地灾状态簇中各个地灾状态分别对应的地灾状态描述数据簇，所述地灾状态描述数据簇中的各个地灾状态描述数据用于描述所述地灾状态自身的属性信息和发生所述地灾状态时所在的一个时间区间具有的环境信息；

对于各个地灾状态描述数据簇中任意一个的地灾状态描述数据簇，将所述地灾状态描述数据簇中的各个地灾状态描述数据进行向量空间映射，输出各个地灾状态描述数据分别对应的地灾状态描述数据向量，以及，将各个地灾状态描述数据分别对应的地灾状态描述数据向量进行级联组合，形成所述地灾状态描述数据簇对应的地灾状态对应的原始空间映射向量；

其中，所述基于从地灾监测数据共享系统获取到的历史地灾监测数据，形成样本地灾状态标志链条，以及，将所述样本地灾状态标志链条加载到候选地灾态势分析网络中进行网络更新处理，形成对应的更新地灾态势分析网络的步骤，还包括：确定出样本地灾状态组合，所述样本地灾状态组合包括第一地灾状态和第二地灾状态两个地灾状态，两个地灾状态任意选择；

对所述样本地灾状态组合中的第一地灾状态进行加载，使得加载到需要更新的第一向量挖掘模型中，挖掘出所述第一地灾状态对应的地灾状态语义向量，以及，对所述样本地灾状态组合中的第二地灾状态进行加载，使得加载到需要更新的第二向量挖掘模型中，挖掘出所述第二地灾状态对应的地灾状态语义向量；

依据所述第一地灾状态对应的地灾状态语义向量和所述第二地灾状态对应的地灾状态语义向量之间的向量匹配参数，分析出所述样本地灾状态组合对应的地灾状态关系分析数据，所述地灾状态关系分析数据是指分析出的用于反映所述样本地灾状态组合中的两个样本地灾状态之间是否具有相关关系的数据；

依据所述样本地灾状态组合对应的地灾状态关系真实数据和所述样本地灾状态组合对应的地灾状态关系分析数据之间的区别信息，对所述需要更新的第一向量挖掘模型和所述需要更新的第二向量挖掘模型的参数进行更新优化，并在与预先确定的第一配置网络训练规则匹配的时候，形成更新后的第一向量挖掘模型和更新后的第二向量挖掘模型，所述地灾状态关系真实数据是指真实的用于反映所述样本地灾状态组合中的两个样本地灾状态之间是否具有相关关系的数据；

在所述更新后的第一向量挖掘模型和所述更新后的第二向量挖掘模型中，确定出一个向量挖掘模型，作为所述更新向量挖掘模型；

其中，所述基于从地灾监测数据共享系统获取到的历史地灾监测数据，形成样本地灾状态标志链条，以及，将所述样本地灾状态标志链条加载到候选地灾态势分析网络中进行网络更新处理，形成对应的更新地灾态势分析网络的步骤，还包括：利用所述候选地灾态势分析网络，确定出位于所述待分析坐标以前的各个地灾状态标志坐标分别对应的坐标语义向量；

对所述地灾状态标志对应的地灾状态语义向量和所述地灾状态标志对应的地灾状态标志坐标对应的坐标语义向量进行向量聚合处理，输出所述样本地灾状态标志链条中位于所述待分析坐标以前的各个地灾状态标志对应的状态坐标聚合语义向量；

所述将位于所述待分析坐标以前的各个地灾状态标志对应的地灾状态语义向量进行向量分析处理，输出所述待分析坐标对应的地灾状态预估向量的步骤，包括：将位于所述待分析坐标前的各个地灾状态标志对应的状态坐标聚合语义向量进行向量分析处理，输出所述待分析坐标对应的地灾状态预估向量。

2.如权利要求1所述的应用于数据共享的地灾态势分析方法，其特征在于，所述依据所述待分析坐标对应的地灾状态预估向量，分析出在所述待分析坐标上的地灾状态标志对应的预估可能性参数的步骤，包括：对所述待分析坐标对应的地灾状态预估向量进行向量空间转换处理，输出所述待分析坐标对应的候选地灾状态参数分布，所述候选地灾状态参数分布包括参考地灾状态簇中各个地灾状态分别对应的表征参数；

将所述候选地灾状态参数分布进行表征参数缩减处理，输出所述待分析坐标对应的目标地灾状态参数分布，所述目标地灾状态参数分布包括所述参考地灾状态簇中各个地灾状态分别对应的预估可能性参数；

基于所述目标地灾状态参数分布，分析出在所述待分析坐标上的地灾状态标志对应的预估可能性参数。

3.如权利要求1所述的应用于数据共享的地灾态势分析方法，其特征在于，所述候选地灾态势分析网络包括向量空间映射单元、向量分析单元和向量预估单元，所述向量空间映射单元包括第一向量空间映射层和第二向量空间映射层，所述第一向量空间映射层用于确定地灾状态语义向量，所述第二向量空间映射层用于确定坐标语义向量，所述向量分析单元用于进行向量分析处理，所述向量预估单元用于分析出预估可能性参数；

所述依据所述地灾状态预估误差，对所述候选地灾态势分析网络的网络参数进行更新优化，并在与预先配置的参考网络训练规则匹配的时候，形成对应的更新地灾态势分析网络的步骤，包括：依据所述地灾状态预估误差，对所述候选地灾态势分析网络中所述第二向量空间映射层、所述向量分析单元和所述向量预估单元的参数进行更新优化，并在与预先配置的参考网络训练规则匹配的时候，形成对应的更新地灾态势分析网络。

4.如权利要求3所述的应用于数据共享的地灾态势分析方法，其特征在于，所述向量预估单元用于依据所述向量分析单元的输出向量分析出参考地灾状态簇中各个地灾状态分别对应的预估可能性参数；

所述基于从地灾监测数据共享系统获取到的历史地灾监测数据，形成样本地灾状态标志链条，以及，将所述样本地灾状态标志链条加载到候选地灾态势分析网络中进行网络更新处理，形成对应的更新地灾态势分析网络的步骤，还包括：在形成所述更新地灾态势分析网络以后，在所述参考地灾状态簇分配了扩展地灾状态的情况下，在所述参考地灾状态语义向量簇中增加所述扩展地灾状态对应的地灾状态语义向量；

将对比地灾状态标志链条加载到所述更新地灾态势分析网络中，形成扩展后的参考地灾状态簇中各个地灾状态相对于各个待分析坐标的预估可能性参数；

在所述扩展后的参考地灾状态簇中各个地灾状态相对于各个待分析坐标的预估可能性参数中，分析出所述对比地灾状态标志链条中在各个待分析坐标上的地灾状态标志分别对应的预估可能性参数；

依据所述对比地灾状态标志链条中在各个待分析坐标上的地灾状态标志分别对应的预估可能性参数，计算出对应的地灾状态扩展误差；

依据所述地灾状态扩展误差，对所述更新地灾态势分析网络中所述向量预估单元的参数进行更新优化，并在与预先配置的第二配置网络训练规则匹配的时候，形成与所述扩展后的参考地灾状态簇适配的更新地灾态势分析网络。

5.一种应用于数据共享的地灾态势分析系统，其特征在于，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现权利要求1‑4任意一项所述的应用于数据共享的地灾态势分析方法。

说明书

应用于数据共享的地灾态势分析方法及系统

技术领域

[0001] 本发明涉及人工智能技术领域，具体而言，涉及一种应用于数据共享的地灾态势分析方法及系统。

背景技术

[0002] 地灾的一般会对较多的应用对象产生影响和破坏，例如，针对通信铁塔，就会导致通信铁塔的破坏，从而使得通信铁塔的数据传输功能受限。以下是一些可能对通信铁塔造成影响的地质灾害：

[0003] 地震：地震可能导致通信铁塔倒塌或损坏，特别是当地震强度较大时；泥石流和山体滑坡：泥石流和山体滑坡可能导致通信铁塔被冲毁或埋没；地面沉降：地面沉降是由于地下水过度开采、地下矿藏开采或地质构造变化等原因引起的，可能会使通信铁塔的基础不稳定；风暴和台风：强风暴和台风可能产生强风和飓风，进而对通信铁塔造成损坏；暴雨和洪水：暴雨和洪水可能导致通信铁塔被淹没或遭受水侵；地下水位上升：地下水位上升可能导致通信铁塔的地基被水浸泡，从而损坏结构。

[0004] 因此，为了保障通信铁塔的安全，一般会对通信铁塔所在区域的地灾态势进行分析和预估，使得可以基于分析和预估的结果，对通信铁塔进行应急预案的生成，从而保障通信铁塔的有效工作。但是，在现有技术中，一般是人工对监测到的数据进行分析，因此，其可靠度相对不高。

发明内容

[0005] 有鉴于此，本发明的目的在于提供一种应用于数据共享的地灾态势分析方法及系统，以在一定程度上提高地灾态势分析的可靠度。

[0006] 为实现上述目的，本发明实施例采用如下技术方案：

[0007] 一种应用于数据共享的地灾态势分析方法，包括：

[0008] 基于从地灾监测数据共享系统获取到的历史地灾监测数据，形成样本地灾状态标志链条，以及，将所述样本地灾状态标志链条加载到候选地灾态势分析网络中进行网络更新处理，形成对应的更新地灾态势分析网络，所述样本地灾状态标志链条包括具有相关关系且依次排列的地灾状态标志，所述样本地灾状态标志链条中的所述地灾状态标志包括各种地灾事件对应的状态标志和非地灾事件对应的状态标志中的至少两个；

[0009] 基于所述从地灾监测数据共享系统获取到的当前地灾监测数据，形成当前地灾状态标志链条，以及，将所述当前地灾状态标志链条加载到所述更新地灾态势分析网络中，所述当前地灾监测数据是针对目标监测区域的；

[0010] 利用所述更新地灾态势分析网络，分析出所述当前地灾状态标志链条对应的预估可能性参数分布，所述预估可能性参数分布中的每一个预估可能性参数用于反映一种地灾状态标志对应的地灾状态发生的可能性；

[0011] 基于所述预估可能性参数分布，确定出所述当前地灾状态标志链条对应的目标地灾状态，所述目标地灾状态用于反映所述目标监测区域会出现的地灾事件或非地灾事件。

[0012] 在一些优选的实施例中，在上述应用于数据共享的地灾态势分析方法中，所述基于从地灾监测数据共享系统获取到的历史地灾监测数据，形成样本地灾状态标志链条，以及，将所述样本地灾状态标志链条加载到候选地灾态势分析网络中进行网络更新处理，形成对应的更新地灾态势分析网络的步骤，包括：

[0013] 基于从地灾监测数据共享系统获取到的历史地灾监测数据，形成样本地灾状态标志链条，以及，将所述样本地灾状态标志链条加载到候选地灾态势分析网络中；

[0014] 利用所述候选地灾态势分析网络，从参考地灾状态语义向量簇中，匹配出所述样本地灾状态标志链条中位于待分析坐标以前的各个地灾状态标志对应的地灾状态语义向量，所述待分析坐标属于所述样本地灾状态标志链条对应的各个地灾状态标志坐标；

[0015] 将位于所述待分析坐标以前的各个地灾状态标志对应的地灾状态语义向量进行向量分析处理，输出所述待分析坐标对应的地灾状态预估向量；

[0016] 依据所述待分析坐标对应的地灾状态预估向量，分析出在所述待分析坐标上的地灾状态标志对应的预估可能性参数，所述预估可能性参数用于反映在所述待分析坐标上的地灾状态标志对应的地灾状态和所述待分析坐标对应的在前地灾状态链条的预估相关系数，所述在前地灾状态链条包括位于所述待分析坐标以前的各个地灾状态标志对应的地灾状态；

[0017] 依据所述样本地灾状态标志链条中在各个待分析坐标上的地灾状态标志分别对应的预估可能性参数，分析出对应的地灾状态预估误差；

[0018] 依据所述地灾状态预估误差，对所述候选地灾态势分析网络的网络参数进行更新优化，并在与预先配置的参考网络训练规则匹配的时候，形成对应的更新地灾态势分析网络。

[0019] 在一些优选的实施例中，在上述应用于数据共享的地灾态势分析方法中，所述基于从地灾监测数据共享系统获取到的历史地灾监测数据，形成样本地灾状态标志链条，以及，将所述样本地灾状态标志链条加载到候选地灾态势分析网络中进行网络更新处理，形成对应的更新地灾态势分析网络的步骤，还包括：

[0020] 确定出参考地灾状态簇中各个地灾状态对应的原始空间映射向量；

[0021] 将所述各个地灾状态对应的原始空间映射向量加载到更新向量挖掘模型中，所述更新向量挖掘模型基于相应的网络更新处理形成；

[0022] 对于各个原始空间映射向量中任意一个的原始空间映射向量，利用所述更新向量挖掘模型，将地灾状态对应的原始空间映射向量进行深度挖掘，输出所述地灾状态对应的地灾状态挖掘向量，以及，将所述地灾状态对应的地灾状态挖掘向量进行降维处理，输出所述地灾状态对应的地灾状态语义向量；

[0023] 依据所述各个地灾状态分别对应的地灾状态语义向量，组合形成对应的所述参考地灾状态语义向量簇。

[0024] 在一些优选的实施例中，在上述应用于数据共享的地灾态势分析方法中，所述确定出参考地灾状态簇中各个地灾状态对应的原始空间映射向量的步骤，包括：

[0025] 确定出参考地灾状态簇中各个地灾状态分别对应的地灾状态描述数据簇，所述地灾状态描述数据簇中的各个地灾状态描述数据用于描述所述地灾状态自身的属性信息和发生所述地灾状态时所在的一个时间区间具有的环境信息；

[0026] 对于各个地灾状态描述数据簇中任意一个的地灾状态描述数据簇，将所述地灾状态描述数据簇中的各个地灾状态描述数据进行向量空间映射，输出各个地灾状态描述数据分别对应的地灾状态描述数据向量，以及，将各个地灾状态描述数据分别对应的地灾状态描述数据向量进行级联组合，形成所述地灾状态描述数据簇对应的地灾状态对应的原始空间映射向量。

[0027] 在一些优选的实施例中，在上述应用于数据共享的地灾态势分析方法中，所述基于从地灾监测数据共享系统获取到的历史地灾监测数据，形成样本地灾状态标志链条，以及，将所述样本地灾状态标志链条加载到候选地灾态势分析网络中进行网络更新处理，形成对应的更新地灾态势分析网络的步骤，还包括：

[0028] 确定出样本地灾状态组合；

[0029] 对所述样本地灾状态组合中的第一地灾状态进行加载，使得加载到需要更新的第一向量挖掘模型中，挖掘出所述第一地灾状态对应的地灾状态语义向量，以及，对所述样本地灾状态组合中的第二地灾状态进行加载，使得加载到需要更新的第二向量挖掘模型中，挖掘出所述第二地灾状态对应的地灾状态语义向量；

[0030] 依据所述第一地灾状态对应的地灾状态语义向量和所述第二地灾状态对应的地灾状态语义向量之间的向量匹配参数，分析出所述样本地灾状态组合对应的地灾状态关系分析数据，所述地灾状态关系分析数据是指分析出的用于反映所述样本地灾状态组合中的两个样本地灾状态之间是否具有相关关系的数据；

[0031] 依据所述样本地灾状态组合对应的地灾状态关系真实数据和所述样本地灾状态组合对应的地灾状态关系分析数据之间的区别信息，对所述需要更新的第一向量挖掘模型和所述需要更新的第二向量挖掘模型的参数进行更新优化，并在与预先确定的第一配置网络训练规则匹配的时候，形成更新后的第一向量挖掘模型和更新后的第二向量挖掘模型，所述地灾状态关系真实数据是指真实的用于反映所述样本地灾状态组合中的两个样本地灾状态之间是否具有相关关系的数据；

[0032] 在所述更新后的第一向量挖掘模型和所述更新后的第二向量挖掘模型中，确定出一个向量挖掘模型，作为所述更新向量挖掘模型。

[0033] 在一些优选的实施例中，在上述应用于数据共享的地灾态势分析方法中，所述基于从地灾监测数据共享系统获取到的历史地灾监测数据，形成样本地灾状态标志链条，以及，将所述样本地灾状态标志链条加载到候选地灾态势分析网络中进行网络更新处理，形成对应的更新地灾态势分析网络的步骤，还包括：

[0034] 利用所述候选地灾态势分析网络，确定出位于所述待分析坐标以前的各个地灾状态标志坐标分别对应的坐标语义向量；

[0035] 对所述地灾状态标志对应的地灾状态语义向量和所述地灾状态标志对应的地灾状态标志坐标对应的坐标语义向量进行向量聚合处理，输出所述样本地灾状态标志链条中位于所述待分析坐标以前的各个地灾状态标志对应的状态坐标聚合语义向量；

[0036] 所述将位于所述待分析坐标以前的各个地灾状态标志对应的地灾状态语义向量进行向量分析处理，输出所述待分析坐标对应的地灾状态预估向量的步骤，包括：

[0037] 将位于所述待分析坐标前的各个地灾状态标志对应的状态坐标聚合语义向量进行向量分析处理，输出所述待分析坐标对应的地灾状态预估向量。

[0038] 在一些优选的实施例中，在上述应用于数据共享的地灾态势分析方法中，所述依据所述待分析坐标对应的地灾状态预估向量，分析出在所述待分析坐标上的地灾状态标志对应的预估可能性参数的步骤，包括：

[0039] 对所述待分析坐标对应的地灾状态预估向量进行向量空间转换处理，输出所述待分析坐标对应的候选地灾状态参数分布，所述候选地灾状态参数分布包括参考地灾状态簇中各个地灾状态分别对应的表征参数；

[0040] 将所述候选地灾状态参数分布进行表征参数缩减处理，输出所述待分析坐标对应的目标地灾状态参数分布，所述目标地灾状态参数分布包括所述参考地灾状态簇中各个地灾状态分别对应的预估可能性参数，所述参考地灾状态簇包括所述样本地灾状态标志链条中各个地灾状态标志对应的地灾状态；

[0041] 基于所述目标地灾状态参数分布，分析出在所述待分析坐标上的地灾状态标志对应的预估可能性参数。

[0042] 在一些优选的实施例中，在上述应用于数据共享的地灾态势分析方法中，所述候选地灾态势分析网络包括向量空间映射单元、向量分析单元和向量预估单元，所述向量空间映射单元包括第一向量空间映射层和第二向量空间映射层，所述第一向量空间映射层用于确定地灾状态语义向量，所述第二向量空间映射层用于确定坐标语义向量，所述向量分析单元用于进行向量分析处理，所述向量预估单元用于分析出预估可能性参数；

[0043] 所述依据所述地灾状态预估误差，对所述候选地灾态势分析网络的网络参数进行更新优化，并在与预先配置的参考网络训练规则匹配的时候，形成对应的更新地灾态势分析网络的步骤，包括：

[0044] 依据所述地灾状态预估误差，对所述候选地灾态势分析网络中所述第二向量空间映射层、所述向量分析单元和所述向量预估单元的参数进行更新优化，并在与预先配置的参考网络训练规则匹配的时候，形成对应的更新地灾态势分析网络。

[0045] 在一些优选的实施例中，在上述应用于数据共享的地灾态势分析方法中，所述向量预估单元用于依据所述向量分析单元的输出向量分析出参考地灾状态簇中各个地灾状态分别对应的预估可能性参数；

[0046] 所述基于从地灾监测数据共享系统获取到的历史地灾监测数据，形成样本地灾状态标志链条，以及，将所述样本地灾状态标志链条加载到候选地灾态势分析网络中进行网络更新处理，形成对应的更新地灾态势分析网络的步骤，还包括：

[0047] 在形成所述更新地灾态势分析网络以后，在所述参考地灾状态簇分配了扩展地灾状态的情况下，从所述参考地灾状态语义向量簇中增加所述扩展地灾状态对应的地灾状态语义向量；

[0048] 将对比地灾状态标志链条加载到所述更新地灾态势分析网络中，形成扩展后的参考地灾状态簇中各个地灾状态相对于各个待分析坐标的预估可能性参数；

[0049] 在所述扩展后的参考地灾状态簇中各个地灾状态相对于各个待分析坐标的预估可能性参数中，分析出所述对比地灾状态标志链条中在各个待分析坐标上的地灾状态标志分别对应的预估可能性参数；

[0050] 依据所述对比地灾状态标志链条中在各个待分析坐标上的地灾状态标志分别对应的预估可能性参数，计算出对应的地灾状态扩展误差；

[0051] 依据所述地灾状态扩展误差，对所述更新地灾态势分析网络中所述向量预估单元的参数进行更新优化，并在与预先配置的第二配置网络训练规则匹配的时候，形成与所述扩展后的参考地灾状态簇适配的更新地灾态势分析网络。

[0052] 本发明实施例还提供一种应用于数据共享的地灾态势分析系统，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现上述的应用于数据共享的地灾态势分析方法。

[0053] 本发明实施例提供的应用于数据共享的地灾态势分析方法及系统，由于可以利用神经网络进行地灾状态的分析和预估，使得相较于基于人工分析的常规技术方案，可以具有更高的地灾态势分析的可靠度；另外，由于在网络更新的过程中，针对的是样本地灾状态标志链条，且样本地灾状态标志链条包括的地灾状态标志之间具有相关关系且依次排列，如此，在网络更新的过程中可以充分学习到各种地灾事件和非地灾事件之间的相关关系，如此，使得在对当前地灾状态标志链条进行分析和预估时，也会考虑到这种相关关系，因此，可以使得地灾态势分析的可靠度能够提高。

[0054] 为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

[0055] 图1为本发明实施例提供的应用于数据共享的地灾态势分析系统的结构框图。

[0056] 图2为本发明实施例提供的应用于数据共享的地灾态势分析方法包括的各步骤的流程示意图。

[0057] 图3为本发明实施例提供的应用于数据共享的地灾态势分析装置包括的各模块的示意图。

具体实施方式

[0058] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例只是本发明的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

[0059] 如图1所示，本发明实施例提供了一种应用于数据共享的地灾态势分析系统。其中，所述应用于数据共享的地灾态势分析系统可以包括存储器和处理器。举例来说，在一些具体的应用中，所述存储器和处理器之间直接或间接地电性连接，以实现数据的传输或交互。例如，相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件（firmware）的形式，存在的软件功能模块（计算机程序）。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序，从而实现本发明实施例提供的应用于数据共享的地灾态势分析方法。

[0060] 举例来说，在一些具体的应用中，所述存储器可以是，但不限于，随机存取存储器（Random Access Memory，RAM），只读存储器（Read Only Memory，ROM），可编程只读存储器（Programmable Read‑Only Memory，PROM），可擦除只读存储器（Erasable Programmable Read‑Only Memory，EPROM），电可擦除只读存储器（Electric Erasable Programmable Read‑Only Memory，EEPROM）等。所述处理器可以是一种通用处理器，包括中央处理器（Central Processing Unit，CPU）、网络处理器（Network Processor，NP）、片上系统(System on Chip，SoC)等；还可以是数字信号处理器（DSP）、专用集成电路（ASIC）、现场可编程门阵列（FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

[0061] 举例来说，在一些具体的应用中，所述应用于数据共享的地灾态势分析系统可以是一种具备数据处理能力的服务器。

[0062] 结合图2，本发明实施例还提供一种应用于数据共享的地灾态势分析方法，可应用于上述应用于数据共享的地灾态势分析系统。其中，所述应用于数据共享的地灾态势分析方法有关的流程所定义的方法步骤，可以由所述应用于数据共享的地灾态势分析系统实现。

[0063] 下面将对图2所示的具体流程，进行详细阐述。

[0064] 步骤S110，基于从地灾监测数据共享系统获取到的历史地灾监测数据，形成样本地灾状态标志链条，以及，将所述样本地灾状态标志链条加载到候选地灾态势分析网络中进行网络更新处理，形成对应的更新地灾态势分析网络。

[0065] 在本发明实施例中，所述应用于数据共享的地灾态势分析系统可以基于从地灾监测数据共享系统获取到的历史地灾监测数据，形成样本地灾状态标志链条，以及，将所述样本地灾状态标志链条加载到候选地灾态势分析网络中进行网络更新处理，形成对应的更新地灾态势分析网络。所述样本地灾状态标志链条包括具有相关关系且依次排列的地灾状态标志，可以是按照发生的时间从早到晚的顺序进行依次排列的，所述样本地灾状态标志链条中的所述地灾状态标志包括各种地灾事件对应的状态标志和非地灾事件对应的状态标志中的至少两个，如地灾事件1对应的状态标志1‑地灾事件2对应的状态标志3‑地灾事件3对应的状态标志2‑地灾事件4对应的状态标志3‑非地灾事件对应的状态标志0‑地灾事件5对应的状态标志5‑地灾事件6对应的状态标志6；此处举例想要说明的是，一种地灾事件（而不是一次地灾事件）对应唯一一种状态标志，如第一时间和第二时间发生同一种地灾事件，那么对应的状态标志是一样的，即前述的链条中的地灾事件2和地灾事件4实际上是指发生了两次相同的地灾事件，都用状态标志3来表示，例如，对于两次发生的地震事件，都用相同的状态标志进行表示，对于两次发生的泥石流和山体滑坡事件，也都用相同的状态标志进行表示；各种地灾事件可以是地震、泥石流和山体滑坡、地面沉降、风暴和台风、暴雨和洪水、地下水位上升以及火灾等，非地灾事件即没有发生任何地灾。另外，一个样本地灾状态标志链条是针对一个监测区域的历史地灾监测数据形成的，所述从地灾监测数据共享系统中可以共享有多个监测区域历史地灾监测数据，如此，可以形成多个样本地灾状态标志链条，提高网络更新处理的样本丰富度，从而保障形成的更新地灾态势分析网络能够学习到更多的信息，保障其地灾态势分析的精度。另外，所述地灾状态标志是指对相应的地灾状态进行唯一性标识的信息，如地灾状态的名称，如地震、泥石流和山体滑坡、地面沉降、风暴和台风、暴雨和洪水、地下水位上升、火灾以及没有发生任何地灾等。

[0066] 步骤S120，基于所述从地灾监测数据共享系统获取到的当前地灾监测数据，形成当前地灾状态标志链条，以及，将所述当前地灾状态标志链条加载到所述更新地灾态势分析网络中。

[0067] 在本发明实施例中，所述应用于数据共享的地灾态势分析系统可以基于所述从地灾监测数据共享系统获取到的当前地灾监测数据，形成当前地灾状态标志链条，以及，将所述当前地灾状态标志链条加载到所述更新地灾态势分析网络中。所述当前地灾监测数据是针对目标监测区域的，所述当前地灾状态标志链条中的所述地灾状态标志包括各种地灾事件对应的状态标志和非地灾事件对应的状态标志中的至少两个。所述更新地灾态势分析网络是一种神经网络，可以基于对样本的学习形成地灾态势分析的功能。

[0068] 步骤S130，利用所述更新地灾态势分析网络，分析出所述当前地灾状态标志链条对应的预估可能性参数分布。

[0069] 在本发明实施例中，所述应用于数据共享的地灾态势分析系统可以利用所述更新地灾态势分析网络，分析出所述当前地灾状态标志链条对应的预估可能性参数分布。所述预估可能性参数分布中的每一个预估可能性参数用于反映一种地灾状态标志对应的地灾状态发生的可能性，例如，所述预估可能性参数分布可以包括预估可能性参数1、预估可能性参数2、预估可能性参数3、预估可能性参数4和预估可能性参数5，预估可能性参数1用于反映将出现地灾事件1的可能性，预估可能性参数2用于反映将出现地灾事件2的可能性，预估可能性参数3用于反映将出现地灾事件3的可能性，预估可能性参数4用于反映将出现地灾事件4的可能性，预估可能性参数5用于反映将出现非地灾事件的可能性。

[0070] 步骤S140，基于所述预估可能性参数分布，确定出所述当前地灾状态标志链条对应的目标地灾状态。

[0071] 在本发明实施例中，所述应用于数据共享的地灾态势分析系统可以基于所述预估可能性参数分布，确定出所述当前地灾状态标志链条对应的目标地灾状态。所述目标地灾状态用于反映所述目标监测区域会出现的地灾事件或非地灾事件。例如，可以将所述预估可能性参数分布包括的预估可能性参数1、预估可能性参数2、预估可能性参数3、预估可能性参数4和预估可能性参数5中的最大一个预估可能性参数对应的地灾事件或非地灾事件，确定为目标地灾状态，如地震、没有发生任何地灾等。

[0072] 举例说明：

[0073] 假设地灾监测数据共享系统提供了过去几年的地震、泥石流和山体滑坡、地面沉降等地灾事件的监测数据。根据这些数据，可以形成一个或多个样本地灾状态标志链条（根据对应的监测区域的数量确定），按时间顺序排列，例如：地震事件1对应的状态标志1 ‑> 泥石流和山体滑坡事件2对应的状态标志2 ‑> 地震事件3对应的状态标志1 ‑> 无地灾事件对应的状态标志0 ‑> 地震事件4对应的状态标志1。然后，将这个样本地灾状态标志链条加载到候选地灾态势分析网络中进行网络更新处理，生成更新的地灾态势分析网络。假设地灾监测数据共享系统提供了目标监测区域的最新地震、泥石流和山体滑坡等地灾事件的监测数据。根据这些数据，可以形成当前地灾状态标志链条，包括各种地灾事件对应的状态标志和非地灾事件对应的状态标志，例如：地震事件1对应的状态标志1 ‑> 泥石流和山体滑坡事件2对应的状态标志2 ‑> 无地灾事件对应的状态标志0。然后，将该当前地灾状态标志链条加载到更新的地灾态势分析网络中。利用已经更新的地灾态势分析网络，对当前地灾状态标志链条进行分析，得到预估可能性参数分布。假设预估可能性参数分布包括：预估可能性参数1表示地震事件1的可能性，预估可能性参数2表示泥石流和山体滑坡事件2的可能性，预估可能性参数3表示非地灾事件（无地灾）的可能性。根据网络分析结果，可以得到每个参数的具体值，例如：预估可能性参数1=0.8，预估可能性参数2=0.6，预估可能性参数3=0.2。葛奴预估可能性参数分布中的最大值，确定当前地灾状态标志链条对应的目标地灾状态。在上述示例中，最大的预估可能性参数为预估可能性参数1（地震事件1的可能性为0.8），因此，可以确定目标地灾状态为地震发生，即预测出可能会发生地震。

[0074] 基于前述的内容，由于可以利用神经网络进行地灾状态的分析和预估，使得相较于基于人工分析的常规技术方案，可以具有更高的地灾态势分析的可靠度；另外，由于在网络更新的过程中，针对的是样本地灾状态标志链条，且样本地灾状态标志链条包括的地灾状态标志之间具有相关关系且依次排列，如此，在网络更新的过程中可以充分学习到各种地灾事件和非地灾事件之间的相关关系，如此，使得在对当前地灾状态标志链条进行分析和预估时，也会考虑到这种相关关系，因此，可以使得地灾态势分析的可靠度能够提高，从而改善现有技术中可靠度不高的问题。

[0075] 举例来说，在一些具体的应用中，上述的步骤S110，可以进一步包括以下描述的详细实施内容：

[0076] 基于从地灾监测数据共享系统获取到的历史地灾监测数据，形成样本地灾状态标志链条，以及，将所述样本地灾状态标志链条加载到候选地灾态势分析网络中，也就是说，所述样本地灾状态标志链条作为所述候选地灾态势分析网络的网络更新依据；

[0077] 利用所述候选地灾态势分析网络，从参考地灾状态语义向量簇中，匹配出所述样本地灾状态标志链条中位于待分析坐标以前的各个地灾状态标志对应的地灾状态语义向量，所述待分析坐标属于所述样本地灾状态标志链条对应的各个地灾状态标志坐标，示例性地，可以依次将每一个地灾状态标志坐标作为所述待分析坐标，如先将第一个地灾状态标志坐标作为所述待分析坐标，再将第二个地灾状态标志坐标作为所述待分析坐标，将第三个地灾状态标志坐标作为所述待分析坐标，再将第四个地灾状态标志坐标作为所述待分析坐标，所述参考地灾状态语义向量簇包括的各个地灾状态语义向量可以是预先针对各种地灾状态进行配置的；

[0078] 将位于所述待分析坐标以前的各个地灾状态标志对应的地灾状态语义向量进行向量分析处理，输出所述待分析坐标对应的地灾状态预估向量；

[0079] 依据所述待分析坐标对应的地灾状态预估向量，分析出在所述待分析坐标上的地灾状态标志对应的预估可能性参数，所述预估可能性参数用于反映在所述待分析坐标上的地灾状态标志对应的地灾状态和所述待分析坐标对应的在前地灾状态链条的预估相关系数，所述在前地灾状态链条包括位于所述待分析坐标以前的各个地灾状态标志对应的地灾状态；

[0080] 依据所述样本地灾状态标志链条中在各个待分析坐标上的地灾状态标志分别对应的预估可能性参数，分析出对应的地灾状态预估误差；示例性地，在得到样本地灾状态标志链条中在各个待分析坐标上的地灾状态标志分别对应的预估可能性参数后，可以基于样本地灾状态标志链条中在各个待分析坐标上的地灾状态标志分别对应的预估可能性参数，得到地灾状态预估误差，例如，可以基于各个预估可能性参数的平均值得到地灾状态预估误差；可以基于各个预估可能性参数的加权平均值得到地灾状态预估误差；可以基于各个预估可能性参数中的中位值得到地灾状态预估误差。可以理解，网络的训练目标是使得在待分析坐标上的地灾状态标志所对应的预估可能性参数越大越好，在待分析坐标上的地灾状态标志所对应的预估可能性参数越大，说明网络基于样本地灾状态标志链条中位于待分析坐标以前的各个地灾状态标志的相关特征能够准确预测出待分析坐标上的地灾状态标志，说明网络基于历史地灾状态能够越准确预测下一地灾状态，网络逐渐具备地灾状态预测能力；

[0081] 依据所述地灾状态预估误差，对所述候选地灾态势分析网络的网络参数进行更新优化，并在与预先配置的参考网络训练规则匹配的时候，形成对应的更新地灾态势分析网络，例如，可以沿着降低所述地灾状态预估误差的方向，对所述候选地灾态势分析网络的网络参数进行更新优化，使得所述地灾状态预估误差收敛至目标值。

[0082] 举例来说，接着前述的示例：

[0083] 可以形成一个样本地灾状态标志链条，按时间顺序排列如下：

[0084] 地震事件1对应的状态标志1；

[0085] 泥石流和山体滑坡事件2对应的状态标志2；

[0086] 地震事件3对应的状态标志1；

[0087] 无地灾事件对应的状态标志0；

[0088] 地震事件4对应的状态标志1；

[0089] 候选地灾态势分析网络中，有一个参考地灾状态语义向量簇，其中，包含了不同地灾状态的语义向量，比如地震和泥石流/山体滑坡。在待分析坐标处，需要匹配出位于该坐标之前的各个地灾状态标志对应的地灾状态语义向量。假设选择了待分析坐标处的地震事件3对应的状态标志1，因此，位于该坐标之前的各个地灾状态标志为地震事件1对应的状态标志1和泥石流和山体滑坡事件2对应的状态标志2；通过对这两个地灾状态标志对应的地灾状态语义向量进行向量分析处理，得到待分析坐标对应的地灾状态预估向量。基于待分析坐标对应的地灾状态预估向量，可以分析出在该坐标上的地灾状态标志（即地震事件3对应的状态标志1）的预估可能性参数。这个参数可以反映地震事件3发生的可能性。由于地震事件3是在历史上实际发生了的，因此，在网络更新的过程中，就需要使得该预估可能性参数越大越好，即表征网络的预估能力越好。

[0090] 其中，举例来说，在一些具体的应用中，所述依据所述样本地灾状态标志链条中在各个待分析坐标上的地灾状态标志分别对应的预估可能性参数，分析出对应的地灾状态预估误差的步骤，可以进一步包括以下描述的详细实施内容：

[0091] 分别对所述样本地灾状态标志链条中在各个待分析坐标上的地灾状态标志分别对应的预估可能性参数进行取对数操作，得到对应的取对数值；

[0092] 对所述样本地灾状态标志链条中在各个待分析坐标上的地灾状态标志分别对应的预估可能性参数对应的取对数值进行和值计算，得到目标数值，以及，基于所述目标数值，确定出对应的地灾状态预估误差，所述地灾状态预估误差和所述目标数值之间具有负相关的对应关系，例如，所述地灾状态预估误差和所述目标数值之间的和值为固定值，如0或1等数值。

[0093] 举例来说，在一些具体的应用中，上述的步骤S110，还可以进一步包括以下描述的详细实施内容：

[0094] 确定出参考地灾状态簇中各个地灾状态对应的原始空间映射向量，所述原始空间映射向量可以是对地灾状态的相关描述数据进行向量空间映射处理以形成，如此，可以得到各个地灾状态对应的原始空间映射向量；另外，所述参考地灾状态簇可以是通过人工配置操作以形成；

[0095] 将所述各个地灾状态对应的原始空间映射向量加载到更新向量挖掘模型中，所述更新向量挖掘模型基于相应的网络更新处理形成；

[0096] 对于各个原始空间映射向量中任意一个的原始空间映射向量，利用所述更新向量挖掘模型，将地灾状态对应的原始空间映射向量进行深度挖掘，输出所述地灾状态对应的地灾状态挖掘向量，以及，将所述地灾状态对应的地灾状态挖掘向量进行降维处理，输出所述地灾状态对应的地灾状态语义向量，所述深度挖掘可以是指，将所述原始空间映射向量进行低维映射，使得其具有更好的可解释性和更强的表达能力，也就是说，地灾状态挖掘向量比原始空间映射向量具有更强的语义表达能力，例如，可以通过一种编码神经网络实现原始空间映射向量的深度挖掘；降维处理用于将地灾状态挖掘向量压缩到长度统一的向量，例如，降维处理用于将几百维的地灾状态挖掘向量压缩到几十维的地灾状态语义向量；

[0097] 依据所述各个地灾状态分别对应的地灾状态语义向量，组合形成对应的所述参考地灾状态语义向量簇；也就是说，所述参考地灾状态语义向量簇包括所述各个地灾状态分别对应的地灾状态语义向量。

[0098] 举例来说，在一些具体的应用中，所述确定出参考地灾状态簇中各个地灾状态对应的原始空间映射向量的步骤，可以进一步包括以下描述的详细实施内容：

[0099] 确定出参考地灾状态簇中各个地灾状态分别对应的地灾状态描述数据簇，所述地灾状态描述数据簇中的各个地灾状态描述数据用于描述所述地灾状态自身的属性信息（如对于地震事件，可以包括地震的时间、位置、震源等具体信息，以及，对地震进行解释说明的信息：地震，又称地动、地振动，是地壳快速释放能量过程中造成的振动，期间会产生地震波的一种自然现象，地球上板块与板块之间相互挤压碰撞，造成板块边沿及板块内部产生错动和破裂，是引起地震的主要原因，地震开始发生的地点称为震源，震源正上方的地面称为震中，破坏性地震的地面振动最烈处称为极震区，极震区往往也就是震中所在的地区）和发生所述地灾状态时所在的一个时间区间具有的环境信息（如地壳运动信息、气候信息，如降水量、温度、光照等），该时间区间的具体长度不受限制，如前后各10天等时长；

[0100] 对于各个地灾状态描述数据簇中任意一个的地灾状态描述数据簇，将所述地灾状态描述数据簇中的各个地灾状态描述数据进行向量空间映射，输出各个地灾状态描述数据分别对应的地灾状态描述数据向量，例如，可以将各个地灾状态描述数据进行embedding操作，以及，将各个地灾状态描述数据分别对应的地灾状态描述数据向量进行级联组合，形成所述地灾状态描述数据簇对应的地灾状态对应的原始空间映射向量，如{地灾状态描述数据向量1，地灾状态描述数据向量2，地灾状态描述数据向量3}。

[0101] 举例来说：

[0102] 假设有地震和泥石流这两个地灾状态对应的地灾状态描述数据簇。对于地震状态描述数据簇，可以采集包括以下信息的地震事件描述数据：

[0103] 地震的时间、位置、震源深度等具体信息；

[0104] 地震的解释说明，如"地震，又称地动、地振动，是地壳快速释放能量过程中造成的振动，期间会产生地震波的一种自然现象。地球上板块与板块之间相互挤压碰撞，造成板块边沿及板块内部产生错动和破裂，是引起地震的主要原因。地震开始发生的地点称为震源，震源正上方的地面称为震中，破坏性地震的地面振动最烈处称为极震区，极震区往往也就是震中所在的地区。

[0105] 对于泥石流状态描述数据簇，可以采集包括以下信息的泥石流事件描述数据：

[0106] 泥石流发生的时间、位置、触发原因等具体信息；

[0107] 泥石流的解释说明，如"泥石流是由于山体崩塌、暴雨、融雪等原因导致大量土石、泥沙、水等混合物质迅速流动的自然现象。泥石流通常发生在陡坡地区，其中的岩石和土壤被雨水冲刷和侵蚀，形成可流动的混合物质。泥石流对周围环境和人类居住区造成严重危害，会导致土地崩溃、房屋倒塌以及道路阻塞等灾害；

[0108] 接下来，将每个地灾状态描述数据进行向量空间映射：

[0109] 可以使用词嵌入技术（如Word2Vec、GloVe等）对每个地灾状态描述数据进行embedding操作，将其转换为固定长度的向量表示。

[0110] 将每个地灾状态描述数据的向量表示级联组合，形成地灾状态描述数据簇对应的原始空间映射向量。例如，对于地震状态描述数据簇，可以得到以下原始空间映射向量：{地震状态描述数据向量1, 地震状态描述数据向量2, 地震状态描述数据向量3,  ...}；对于泥石流状态描述数据簇，可以得到以下原始空间映射向量：{ 泥石流状态描述数据向量1, 泥石流状态描述数据向量2, 泥石流状态描述数据向量3, ...}。

[0111] 其中，假设有以下地震状态描述数据：

[0112] 地震描述1："地震，又称地动、地振动，是地壳快速释放能量过程中造成的振动。"[0113] 地震描述2："地球上板块与板块之间相互挤压碰撞，造成板块边沿及板块内部产生错动和破裂，是引起地震的主要原因。"

[0114] 可以先对这些描述数据进行分词，得到如下切分结果：

[0115] 地震描述1分词结果：["地震", "又称", "地动", "地振动", "是", "地壳", "快速", "释放", "能量", "过程", "中", "造成", "的", "振动"]；地震描述2分词结果：["地球", "上", "板块", "与", "板块", "之间", "相互", "挤压", "碰撞", "造成", "板块", "边沿", "及", "板块", "内部", "产生", "错动", "和", "破裂", "是", "引起", "地震", "的", "主要", "原因"]

[0116] 然后，可以使用预先训练好的词嵌入模型（如Word2Vec模型）来将每个词转换为固定长度的向量表示。这些向量表示捕捉了词之间的语义和语法关系。假设Word2Vec模型将每个词映射到100维的向量空间中，那么得到以下地震状态描述数据的嵌入向量：

[0117] 地震描述1的嵌入向量：[0.25, ‑0.12, 0.08, ..., 0.92]；

[0118] 地震描述2的嵌入向量：[‑0.05, 0.36, ‑0.29, ..., 0.76]。

[0119] 举例来说，在一些具体的应用中，上述的步骤S110，还可以进一步包括以下描述的详细实施内容：

[0120] 确定出样本地灾状态组合，所述样本地灾状态组合可以包括两个地灾状态，如第一地灾状态和第二地灾状态，两个地灾状态可以是任意选择；例如，可以从所述样本地灾状态标志链条中选择两个相邻的地灾状态，以形成样本地灾状态组合，如此，所述样本地灾状态组合对应的地灾状态关系真实数据为两个样本地灾状态之间具有相关关系；

[0121] 对所述样本地灾状态组合中的第一地灾状态进行加载，使得加载到需要更新的第一向量挖掘模型中，挖掘出所述第一地灾状态对应的地灾状态语义向量，以及，对所述样本地灾状态组合中的第二地灾状态进行加载，使得加载到需要更新的第二向量挖掘模型中，挖掘出所述第二地灾状态对应的地灾状态语义向量，如前所述，可以先对地灾状态对应的描述数据进行向量空间的映射，得到原始空间映射向量，然后，可以将地灾状态对应的原始空间映射向量进行深度挖掘，得到地灾状态挖掘向量，最后，可以对地灾状态对应的地灾状态挖掘向量进行降维处理，得到地灾状态对应的地灾状态语义向量，即得到地灾状态对应的地灾状态语义向量；

[0122] 依据所述第一地灾状态对应的地灾状态语义向量和所述第二地灾状态对应的地灾状态语义向量之间的向量匹配参数，如向量之间的余弦相似度，分析出所述样本地灾状态组合对应的地灾状态关系分析数据，所述地灾状态关系分析数据是指分析出的用于反映所述样本地灾状态组合中的两个样本地灾状态之间是否具有相关关系的数据，例如，所述向量匹配参数大于或等于预先配置的参考向量匹配参数，如0.6，可以认为所述样本地灾状态组合中的两个样本地灾状态之间具有相关关系的数据，所述向量匹配参数小于预先配置的参考向量匹配参数，可以认为所述样本地灾状态组合中的两个样本地灾状态之间不具有相关关系的数据；

[0123] 依据所述样本地灾状态组合对应的地灾状态关系真实数据和所述样本地灾状态组合对应的地灾状态关系分析数据之间的区别信息，对所述需要更新的第一向量挖掘模型和所述需要更新的第二向量挖掘模型的参数进行更新优化，并在与预先确定的第一配置网络训练规则匹配的时候，形成更新后的第一向量挖掘模型和更新后的第二向量挖掘模型，所述地灾状态关系真实数据是指真实的用于反映所述样本地灾状态组合中的两个样本地灾状态之间是否具有相关关系的数据，即确定出与该区别信息正相关的误差，然后，沿着降低该误差的方向，对所述需要更新的第一向量挖掘模型和所述需要更新的第二向量挖掘模型的参数进行更新优化，使得误差收敛，如此，基于样本地灾状态组合和对应的地灾状态关系真实数据，对需要更新的第一向量挖掘模型和需要更新的第二向量挖掘模型进行监督训练，可以快速得到更新后的第一向量挖掘模型和更新后的第二向量挖掘模型，以用于提取地灾状态对应的准确的地灾状态语义向量；

[0124] 在所述更新后的第一向量挖掘模型和所述更新后的第二向量挖掘模型中，确定出一个向量挖掘模型，作为所述更新向量挖掘模型，可以将任意一个向量挖掘模型作为所述更新向量挖掘模型。

[0125] 举例来说，在一些具体的应用中，上述的步骤S110，还可以进一步包括以下描述的详细实施内容：

[0126] 利用所述候选地灾态势分析网络，确定出位于所述待分析坐标以前的各个地灾状态标志坐标分别对应的坐标语义向量，例如，可以对所述地灾状态标志坐标进行embedding操作，得到对应的坐标语义向量；

[0127] 对所述地灾状态标志对应的地灾状态语义向量和所述地灾状态标志对应的地灾状态标志坐标对应的坐标语义向量进行向量聚合处理，输出所述样本地灾状态标志链条中位于所述待分析坐标以前的各个地灾状态标志对应的状态坐标聚合语义向量；示例性地，可以将所述地灾状态标志对应的地灾状态语义向量和所述地灾状态标志对应的地灾状态标志坐标对应的坐标语义向量进行叠加运算，得到状态坐标聚合语义向量。

[0128] 举例来说，在一些具体的应用中，在上述示例的情况下，所述将位于所述待分析坐标以前的各个地灾状态标志对应的地灾状态语义向量进行向量分析处理，输出所述待分析坐标对应的地灾状态预估向量的步骤，可以进一步包括以下描述的详细实施内容：

[0129] 将位于所述待分析坐标前的各个地灾状态标志对应的状态坐标聚合语义向量进行向量分析处理，输出所述待分析坐标对应的地灾状态预估向量。

[0130] 其中，所述状态坐标聚合语义向量中融合有地灾状态语义向量和坐标语义向量，通过状态坐标聚合语义向量，网络不仅能够学习到输入数据中地灾状态标志所属地灾状态的语义信息，而且能够捕捉到输入数据中地灾状态标志的坐标信息（即地灾状态标志之间的先后关系），从而更好地理解和生成与历史地灾状态相关的下一地灾状态的相关向量。

[0131] 举例来说，在一些具体的应用中，所述依据所述待分析坐标对应的地灾状态预估向量，分析出在所述待分析坐标上的地灾状态标志对应的预估可能性参数的步骤，可以进一步包括以下描述的详细实施内容：

[0132] 对所述待分析坐标对应的地灾状态预估向量进行向量空间转换处理，输出所述待分析坐标对应的候选地灾状态参数分布，所述候选地灾状态参数分布包括参考地灾状态簇中各个地灾状态分别对应的表征参数；示例性地，向量空间转换处理用于将地灾状态预估向量映射到预设维度的向量空间，将地灾状态预估向量进行向量空间转换处理得到候选地灾状态参数分布，候选地灾状态参数分布的维度为预设维度，候选地灾状态参数分布的维度等于所述参考地灾状态簇的大小，其中，所述参考地灾状态簇的大小反映所述参考地灾状态簇中地灾状态的数量；

[0133] 将所述候选地灾状态参数分布进行表征参数缩减处理，输出所述待分析坐标对应的目标地灾状态参数分布，所述目标地灾状态参数分布包括所述参考地灾状态簇中各个地灾状态分别对应的预估可能性参数，所述参考地灾状态簇包括所述样本地灾状态标志链条中各个地灾状态标志对应的地灾状态；示例性地，可以通过Softmax等函数进行表征参数缩减处理；

[0134] 基于所述目标地灾状态参数分布，分析出在所述待分析坐标上的地灾状态标志对应的预估可能性参数；示例性地，可以从所述目标地灾状态参数分布中获取样本地灾状态标志链条在待分析坐标上的地灾状态标志所属地灾状态对应的预估可能性参数，作为在待分析坐标上的地灾状态标志所对应的预估可能性参数。

[0135] 举例来说：

[0136] 假设参考地灾状态簇包括地震、泥石流、暴雨、火灾和无地灾，共5种地灾状态。对某个待分析坐标进行地灾状态预估：

[0137] 向量空间转换处理：将待分析的坐标对应的地灾状态预估向量进行向量空间转换处理，将其映射到一个预设维度的向量空间，由于参考地灾状态簇中有5种地灾状态，选择预设维度为5的向量空间，通过转换处理，得到一个候选地灾状态参数分布，其中每个维度对应一种地灾状态，表征参数表示该地灾状态的特征；

[0138] 举例来说，在向量空间转换之后，得到了以下候选地灾状态参数分布：

[0139] [0.2, 0.4, 0.1, 0.2, 0.1]；

[0140] 在这个例子中，候选地灾状态参数分布是一个长度为5的向量，分别对应地震、泥石流、暴雨、火灾和无地灾状态。每个值表示对应地灾状态的特征参数；

[0141] 表征参数缩减处理：对候选地灾状态参数分布进行表征参数缩减处理，以获取目标地灾状态参数分布，可以使用Softmax函数对候选参数进行归一化，将其转换为概率分布。继续以上述候选地灾状态参数分布为例，通过Softmax函数进行缩减处理，得到以下的目标地灾状态参数分布：

[0142] [0.174, 0.348, 0.087, 0.174, 0.087]

[0143] 在这个示例中，目标地灾状态参数分布仍然是一个长度为5的向量，每个值表示对应地灾状态的预估可能性参数，这些参数表示了在待分析坐标上各个地灾状态的相对权重或概率。

[0144] 分析预估可能性参数：基于目标地灾状态参数分布，可以分析出在待分析坐标上的地灾状态标志对应的预估可能性参数，假设想获取样本地灾状态标志链条中地震对应的预估可能性参数。根据目标地灾状态参数分布，可以得到地震对应的预估可能性参数为0.174。

[0145] 举例来说，在一些具体的应用中，所述候选地灾态势分析网络包括向量空间映射单元、向量分析单元和向量预估单元，所述向量空间映射单元包括第一向量空间映射层和第二向量空间映射层，所述第一向量空间映射层用于确定地灾状态语义向量（具体的确定过程，如前相关描述），所述第二向量空间映射层用于确定坐标语义向量（具体的确定过程，如前相关描述），所述向量分析单元用于进行向量分析处理，所述向量预估单元用于分析出预估可能性参数（具体的分析过程，如前相关描述）。

[0146] 基于上述的网络架构，所述依据所述地灾状态预估误差，对所述候选地灾态势分析网络的网络参数进行更新优化，并在与预先配置的参考网络训练规则匹配的时候，形成对应的更新地灾态势分析网络的步骤，可以进一步包括以下描述的详细实施内容：

[0147] 依据所述地灾状态预估误差，对所述候选地灾态势分析网络中所述第二向量空间映射层、所述向量分析单元和所述向量预估单元的参数进行更新优化，并在与预先配置的参考网络训练规则匹配的时候，形成对应的更新地灾态势分析网络；其中，所述第一向量空间映射层用于匹配出地灾状态语义向量，即从参考地灾状态语义向量簇抽选出，因此，可以不用进行参数的更新优化，所述第二向量空间映射层、所述向量分析单元和所述向量预估单元都有数据映射的过程，都需要进行更新优化。

[0148] 举例来说，在一些具体的应用中，所述向量预估单元用于依据所述向量分析单元的输出向量（即所述地灾状态预估向量）分析出参考地灾状态簇中各个地灾状态分别对应的预估可能性参数，基于此，上述的步骤S110，还可以进一步包括以下描述的详细实施内容：

[0149] 在形成所述更新地灾态势分析网络以后，在所述参考地灾状态簇分配了扩展地灾状态的情况下，从所述参考地灾状态语义向量簇中增加所述扩展地灾状态对应的地灾状态语义向量，如前述的示例，所述参考地灾状态簇中有5种地灾状态，分别为地震、泥石流、暴雨、火灾和无地灾，如增肌了地面沉降的地灾状态，因此，也需要在所述参考地灾状态语义向量簇中增加地面沉降的地灾状态对应的地灾状态语义向量；

[0150] 将对比地灾状态标志链条加载到所述更新地灾态势分析网络中，形成扩展后的参考地灾状态簇中各个地灾状态相对于各个待分析坐标的预估可能性参数，所述对比地灾状态标志链条可以是所述样本地灾状态标志链条，也可以与所述样本地灾状态标志链条不一样，如前所述，待分析坐标的预估可能性参数为5个，经过扩展，待分析坐标的预估可能性参数为6；

[0151] 在所述扩展后的参考地灾状态簇中各个地灾状态相对于各个待分析坐标的预估可能性参数中，分析出所述对比地灾状态标志链条中在各个待分析坐标上的地灾状态标志分别对应的预估可能性参数；

[0152] 依据所述对比地灾状态标志链条中在各个待分析坐标上的地灾状态标志分别对应的预估可能性参数，计算出对应的地灾状态扩展误差，具体的确定过程可以与前述的内容“依据所述样本地灾状态标志链条中在各个待分析坐标上的地灾状态标志分别对应的预估可能性参数，分析出对应的地灾状态预估误差”一样，在此不再一一赘述；

[0153] 依据所述地灾状态扩展误差，对所述更新地灾态势分析网络中所述向量预估单元的参数进行更新优化，并在与预先配置的第二配置网络训练规则匹配的时候，形成与所述扩展后的参考地灾状态簇适配的更新地灾态势分析网络，即沿着降低所述地灾状态扩展误差的方向进行参数更新；其中，在参数更新的过程中，仅对所述向量预估单元的参数进行更新优化，在保障数据处理效率的情况，对更新地灾态势分析网络进行微调，使得更新地灾态势分析网络也可以适应扩展地灾状态。

[0154] 其中，举例来说，在一些具体的应用中，所述向量分析单元的具体分析过程，即所述将位于所述待分析坐标前的各个地灾状态标志对应的状态坐标聚合语义向量进行向量分析处理，输出所述待分析坐标对应的地灾状态预估向量的步骤，可以进一步包括以下描述的详细实施内容（以位于所述待分析坐标前的各个地灾状态标志对应的状态坐标聚合语义向量包括第一状态坐标聚合语义向量和第二状态坐标聚合语义向量进行举例说明）：

[0155] 对所述第一状态坐标聚合语义向量进行线性映射，得到第一查询向量、第一键向量和第一值向量（可以通过三个权重矩阵进行相乘得到，三个权重矩阵可以作为所述向量分析单元的参数进行优化更新）；

[0156] 对所述第二状态坐标聚合语义向量进行线性映射，得到第er查询向量、第二键向量和第二值向量（如前所述）；

[0157] 对所述第一查询向量和所述第一键向量进行相乘运算，得到对应的第一相似度矩阵，并对所述第二查询向量和所述第二键向量进行相乘运算，得到对应的第二相似度矩阵；

[0158] 将所述第一相似度矩阵和所述第二相似度矩阵分别进行行参数的归一化处理，得到对应的第一注意力权重矩阵和第二注意力权重矩阵；

[0159] 基于所述第一注意力权重矩阵，对所述第一值向量进行加权（如相乘运算），输出对应的第一加权值向量，并基于所述第二注意力权重矩阵，对所述第二值向量进行加权（如相乘运算），输出对应的第二加权值向量；

[0160] 将所述第一加权值向量和所述第二加权值向量进行级联组合，输出对应的聚焦挖掘向量，如{所述第一加权值向量，所述第二加权值向量}；

[0161] 将所述聚焦挖掘向量和所述向量分析单元包括的线性映射权重矩阵相乘，以及，将相乘的结果和所述向量分析单元包括的线性映射偏置参数相加，再将相加的结果进行激活处理，得到线性聚焦挖掘向量；

[0162] 将所述线性聚焦挖掘向量和所述聚焦挖掘向量进行叠加运算，以及，对叠加运算的结果进行归一化处理，得到所述待分析坐标对应的地灾状态预估向量。

[0163] 结合图3，本发明实施例还提供一种应用于数据共享的地灾态势分析装置，可应用于上述应用于数据共享的地灾态势分析系统。其中，所述应用于数据共享的地灾态势分析装置可以包括：

[0164] 网络更新处理模块，用于基于从地灾监测数据共享系统获取到的历史地灾监测数据，形成样本地灾状态标志链条，以及，将所述样本地灾状态标志链条加载到候选地灾态势分析网络中进行网络更新处理，形成对应的更新地灾态势分析网络，所述样本地灾状态标志链条包括具有相关关系且依次排列的地灾状态标志，所述样本地灾状态标志链条中的所述地灾状态标志包括各种地灾事件对应的状态标志和非地灾事件对应的状态标志中的至少两个；

[0165] 地灾监测数据加载模块，用于基于所述从地灾监测数据共享系统获取到的当前地灾监测数据，形成当前地灾状态标志链条，以及，将所述当前地灾状态标志链条加载到所述更新地灾态势分析网络中，所述当前地灾监测数据是针对目标监测区域的；

[0166] 地灾监测数据分析模块，用于利用所述更新地灾态势分析网络，分析出所述当前地灾状态标志链条对应的预估可能性参数分布，所述预估可能性参数分布中的每一个预估可能性参数用于反映一种地灾状态标志对应的地灾状态发生的可能性；

[0167] 地灾状态确定模块，用于基于所述预估可能性参数分布，确定出所述当前地灾状态标志链条对应的目标地灾状态，所述目标地灾状态用于反映所述目标监测区域会出现的地灾事件或非地灾事件。

[0168] 综上所述，本发明提供的应用于数据共享的地灾态势分析方法及系统，由于可以利用神经网络进行地灾状态的分析和预估，使得相较于基于人工分析的常规技术方案，可以具有更高的地灾态势分析的可靠度；另外，由于在网络更新的过程中，针对的是样本地灾状态标志链条，且样本地灾状态标志链条包括的地灾状态标志之间具有相关关系且依次排列，如此，在网络更新的过程中可以充分学习到各种地灾事件和非地灾事件之间的相关关系，如此，使得在对当前地灾状态标志链条进行分析和预估时，也会考虑到这种相关关系，因此，可以使得地灾态势分析的可靠度能够提高。

[0169] 以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。